[发明专利]一种基于轻量级时空深度学习模型的网络流量预测方法

权利要求书

1.一种基于轻量级时空深度学习模型的网络流量预测方法，其特征在于，包括以下步骤：

(1)根据网络状态，基于相同的时间间隙获取不同采样时刻网络流量矩阵，形成数据集，并对该数据集做归一化处理；

(2)构建基于卷积神经网络和循环神经网络的神经网络模型，提取网络流量中的时空特征；

(3)把数据集分割为两部分，一部分为训练集，另外一部分为测试集，使用训练数据集对建立的神经网络模型进行训练，获得轻量级时空深度学习网络流量预测模型；

(4)根据已获得的历史流量矩阵，通过该轻量级时空深度学习网络流量预测模型，预测未来时刻的网络流量矩阵的值；

所述步骤(2)包括以下步骤：

(21)构建卷积神经网络，模型输入的一个矩阵对应一个相应的卷积神经网络，输入p个历史时刻的网络流量矩阵，则对应的p个卷积神经网络，所述卷积神经网络由若干层卷积模块和全连接层组成，使用时随机初始化网络参数，其中每一层卷积模块由一层卷积层以及零层或一层池化层组成，每个独立的卷积神经网络通过展平层输出空间特征向量；

(22)构建循环神经网络，该网络由若干层神经元组成，且每层神经元个数为p个，为缓解循环神经网络梯度爆炸和参数复杂的问题，该循环神经网络采用基于MGU单元构建的循环神经网络；

(23)在MGU循环神经网络构建完成之后，在该网络中添加展平层；

(24)展平层神经元的输出，通过全连接层连接，最后通过回归预测层输出未来时刻流量矩阵值；

所述步骤(3)包括以下步骤：

(31)把经过预处理的数据集按照7:3的比例划分为训练集和测试集；

(32)使用训练集对构建好的模型进行训练，以时间宽度为p的滑动窗口从训练集上获取模型输入的数据，用矩阵可以表示为如下：

X^input＝[X_t-p,X_t-p+1,…,X_t]

其中模型的输入为t时刻以前p个历史时隙的网络流量矩阵，目标是要预测未来第t+1个时隙的网络流量矩阵的值；

(33)将使用滑动窗口获得的连续训练历史流量数据输入流量预测模型中，对轻量网络流量时空相关深度学习模型进行前向传播；

(34)其中将步骤(21)所述的p个卷积神经网络的输出输入到所述的循环神经网络中，结合网络流量的时间依赖性，输出预测的流量向量特征值，则第p个MGU单元输出的向量可表示为h_t，第p个MGU单元的输出即为对应采样时刻的隐藏门控单元的输出h_t，h_t向量经过展平层压平，作为全连接层的输入；

(35)通过计算模型的预测值与真实值的损失，对时空相关深度学习模型进行后向传播，调整模型中对应的参数；

(36)使用Adam优化方法对整体网络的损失L进行优化，其公式如下：

其中，p_ij表示相应采样时隙模型目标矩阵对应的预测值，x_ij表示相应采样时隙的真实流量值；

(37)循环步骤(32)，步骤(33)，步骤(34)，(35)，当迭代次数达到预设次数时，停止模型训练；

(38)继续使用Adam对步骤(36)的损失函数进行优化，调整参数，得到最终的网络流量时空相关特征预测模型。

2.根据权利要求1所述的一种基于轻量级时空深度学习模型的网络流量预测方法，其特征在于，所述步骤(1)包括以下步骤：

(11)在网络各节点中布置具有网络流量监测功能的路由器或者交换机，把网络中节点个数设置为m，采样各源节点到目标节点的相同时间间隔内的网络流量值，将m个网络节点作为流量监测节点，编号为1,2,…,m；

(12)以Δt为采样时间间隔，连续采样一段时间，用X_t表示第t个采样间隙的流量矩阵，X_t可以表示为如下矩阵：

其中网络中节点个数为m个，则任何一个采样间隙内形成的源节点到各个目标节点的流量矩阵的维度是m×m；

(13)对采样得到的原始数据集，做归一化处理。

3.根据权利要求1所述的一种基于轻量级时空深度学习模型的网络流量预测方法，其特征在于，所述步骤(4)包括以下步骤：

(41)已获取第t个时隙以前历史网络流量数据，把连续的p个历史时刻流量矩阵输入到训练好的流量预测模型中；

(42)通过已训练得到模型的计算，可知最终要预测的t+1时刻目标流量矩阵。